图像融合 densefuse python初学 总结出现的问题和解决方案

致敬作者：

https://github.com/hli1221/imagefusion_densefuse

cuda 10.1 

▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂

问题1：

       from scipy.misc import imread
  ImportError: cannot import name 'imread’

 解决方案

#查看scipy版本
 python -c "import scipy; print(scipy.__version__)"

#出现相关错误通常是 版本过高
 pip install scipy==1.2.1 -i https://pypi.tuna.tsinghua.edu.cn/simple

#安装完后问题并未解决
 pip install pillow -i https://pypi.tuna.tsinghua.edu.cn/simple

国内镜像

http://pypi.douban.com/simple/ 豆瓣
http://mirrors.aliyun.com/pypi/simple/ 阿里
http://pypi.hustunique.com/simple/ 华中理工大学
http://pypi.sdutlinux.org/simple/ 山东理工大学
http://pypi.mirrors.ustc.edu.cn/simple/ 中国科学技术大学
https://pypi.tuna.tsinghua.edu.cn/simple 清华

使用办法

1、临时使用，添加“-i”或“--index”参数

pip install -i http://pypi.douban.com/simple/ flask

2、配制成默认的

在你的“C:\Users\你的用户名\”目录下创建“pip”目录，“pip”目录下创建“pip.ini”文件（注意：以UTF-8 无BOM格式编码）；
“pip.ini”文件内容：

[global]
index-url=http://mirrors.aliyun.com/pypi/simple/
[install]
trusted-host=mirrors.aliyun.com

注意：trusted-host 选项为了避免麻烦是必须的，否则使用的时候会提示不受信任，或者添加“--trusted-host=mirrors.aliyun.com”选项；

注意：有网页提示需要创建或修改配置文件（linux的文件在~/.pip/pip.conf，windows在%HOMEPATH%\pip\pip.ini），至少Windows7下“%HOMEPATH%\pip\pip.ini”这个目录是不起作用的。

conda常用操作

▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂

问题2

AttributeError: module 'tensorflow' has no attribute 'Session'

解决方案：

报错AttributeError: module 'tensorflow' has no attribute 'Session'。
这其实不是安装错误，是因为在新的Tensorflow 2.0版本中已经移除了Session这一模块，
改换运行代码，tensorflow2.0版本中的确没有Session这个属性，如果安装的是tensorflow2.0版本又想利用Session属性，可以将tf.Session()更改为：

import tensorflow as tf

tf.Session()  改成  tf.compat.v1.Session()

这个方法可以解决此类问题，不仅仅适用于Session属性。

查阅资料发现，原因是2.0与1.0版本不兼容，在程序开始部分添加以下代码就可以正常运行了。：

tf.compat.v1.disable_eager_execution()

tensorflow的官网对disable_eager_execution()方法是这样解释的：

This function can only be called before any Graphs, Ops, or Tensors have been created.
It can be used at the beginning of the program for complex migration projects from TensorFlow 1.x to 2.x.
翻译过来为：此函数只能在创建任何图、运算或张量之前调用。它可以用于从TensorFlow 1.x到2.x的复杂迁移项目的程序开头。

更新：

找到了一个更简单的方法，在引用tensorflow时，直接用：

#网络上的解决方案1
import tensorflow.compat.v1 as tf

#解决方案2
import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()

--------------------------------------------------------------------------------------------------------------------------------

还有一种向上兼容问题：

AttributeError: module 'tensorflow' has no attribute 'feature_column'

更新 pip install --upgrade tensorflow更新tensorflow。解决问题。

AttributeError: module 'tensorflow' has no attribute 'placeholder'问题

把代码进入tf环境中下面的代码

import tensorflow as tf

替换成下面代码。

import tensorflow.compat.v1 as tf
tf.disable_v2_behavior()

▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂

问题3：

AttributeError: module 'tensorflow' has no attribute 'skimage'

pip install skimage  改成  pip install scikit-image

▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂

问题4：

ValueError: check_hostname requires server_hostname“ 

关掉爬墙软件解决，但是问题应该不在这，不过解决了，不看了。

▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂

问题5（未解决问题）：

'tensorflow.python.pywrap_tensorflow' has no attribute 'NewCheckpointReader'

https://blog.csdn.net/qq_39124762/article/details/82951818

对保存的参数checkpoints进行可视化读取

1.pywrap_tensorflow.NewCheckpoint(获得checkpoint的读取器)

2.np.save(对npy文件进行保存)

3.tl.file.load_npy_to_any(对保存的npy文件进行读取)

1. pywrap_tensorflow.NewCheckpoint(path)获得checkpoint的读取器

参数说明： path表示checkpoint的路径

2.np.save(path, dict) 根据路径将数据保存为npy类型

参数说明：path表示进行参数保存的路径, dict 表示需要进行保存的参数

3.tl.file.load_npy_to_any(name=path)对保存的npy文件进行读取

参数说明：name=path表示进行参数读取的路径

#代码说明：
#第一步：使用pywrap_tensorflow.NewCheckpoint(path)获得checkpoint的参数读取器
#第二步：使用reader.get_variable_to_shape_map()构造字典
#第三步：循环key，将键值对写入到all_variable.npy 
#第四步：使用tl.file.load_npy_to_any将npy数据进行读取

from tensorflow.python import pywrap_tensorflow
import os
import numpy as np
import tensorlayer as tl

#print出ckpt里的所有变量
# 第一步：构建读取checkpoint的reader 
model_dir = './models'
checkpoints = model_dir + os.path.sep + 'model-20180626-205832.ckpt-60000'
reader = pywrap_tensorflow.NewCheckpointReader(checkpoints)
# 第二步：构建参数字典
var_to_shape_map = reader.get_variable_to_shape_map() # 存储所有变量
# 第三步：循环key，构建数据，使用np.save()进行数据保存
for key in var_to_shape_map:
    var_to_shape_map[key] = reader.get_tensor(key)
    np.save('all_variable.npy', var_to_shape_map)
# 第四步:使用tl.files.load_npy_to_any进行数据的读取
# data2 = np.load('./all_variable.npy', allow_pickle=True)
data = tl.files.load_npy_to_any(name='all_variable.npy')
for key, value in data.items():
    print(key, value.shape)

Tensorflow: 从checkpoint文件中读取tensor

在使用pre-train model时候，我们需要restore variables from checkpoint files.
经常出现在checkpoint 中找不到”Tensor name not found”.
这时候需要查看一下ckpt中到底有哪些变量

可以显示ckpt中的tensor名字和值，当然也可以用pycharm调试。

import os
from tensorflow.python import pywrap_tensorflow

checkpoint_path = os.path.join(model_dir, "model.ckpt")
# Read data from checkpoint file
reader = pywrap_tensorflow.NewCheckpointReader(checkpoint_path)
var_to_shape_map = reader.get_variable_to_shape_map()
# Print tensor name and values
for key in var_to_shape_map:
    print("tensor_name: ", key)
    print(reader.get_tensor(key))

▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂

--------------------------------------------------------------------------------------------------------------------------------

环境搭建

• conda info -e
• conda env list：查看所有环境
• conda create --name ds_chinese jupyter notebook pandas : 创建一个新的环境叫ds_chinese并且安装python, jupyter notebook 以及pandas。安装多个包的时候用空格隔开。你也可以指定安装包的版本号，比如安装一个python3.6的环境。conda create --name ds_chinese python=3.6
• conda activate ds_chinese : 切换环境到ds_chinese.
• conda deactivate
• conda list : 查看当前环境中已安装的包
• conda remove --name myenv --all：删除环境和该环境下所有的包     因为我们在一台机器上操作，先要删除之前创建的环境ds_chinese.
• conda env create -f environment.yml：创建ds_chinese 环境

• 常用命令

  1、conda  list  查看所有已安装的包

  2、conda list numpy  查看 numpy是否安装

环境下

• conda install scikit-learn：在当前环境下安装scikit-learn包
• 未来需要安装需要使用任何包都可以在当前环境下使用conda install(有些包需要使用pip install)进行包的安装。

另一种创建新环境的方式

有些时候我们需要和别人共同完成一个项目，或者是使用别人的开发环境进行学习或二次开发。这时候就需要我们使用和别人相同的开发环境。

Anaconda 提供了一种快速的方式来拷贝开发环境。假设我们需要在另一个台机器上创建一个与我们之前创建的ds_chinese一样的开发环境。我们可以按照以下步骤安装：

1. 生成一个yml文件，并发送yml文件到另一台机器。
2. 从另一台机器的Anaconda通过yml文件创建ds_chinese。

因为我是用一台机器模拟，在生成yml文件后，我会先删除之前创建的ds_chinese环境再用yml文件创建ds_chinese。

• conda env export > environment.yml : 生成yml文件。

在进行这个操作前我们先指定工作路经，这样yml就会生成在我们指定的工作路经下。

▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂▂

在python中，在导入模块时，模块的搜索顺序是：

1、当前程序根目录
2、PYTHONPATH
3、标准库目录
4、第三方库目录site-packages目录